我想根据神经网络对我的预测进行归一化。 首先，我将基本事实归一化，并将其std和均值保存在numpy数组中：

def norm(x):
  return ((x - x.mean()) / x.std())

norm_y_train_n = norm(y_train_n)
mean_y_train_n = y_train_n.mean
std_y_train_n = y_train_n.std

然后我训练我的网络：

history = model.fit(x_train_n,norm_y_train_n,batch_size=10,epochs=200,validation_split=0.1,shuffle=True,callbacks=[es])

我想将数据归一化为原始分布，以便我可以在一个有意义的范围内解释rmse，如下所示：

def rmse_denorm(y_true,y_pred):
    return backend.sqrt(backend.mean(backend.square((y_pred*std_y_train_n + mean_y_train_n) - (y_true*std_y_train_n+mean_y_train_n))))

但是我不能，如果我尝试使用tf.convert_to_tensor像这样将numpy值转换为张量值：

def rmse_denorm(y_true,y_pred):
return backend.sqrt(backend.mean(backend.square((y_pred*tf.convert_to_tensor(std_y_train_n) + tf.convert_to_tensor(mean_y_train_n)) - (y_true*tf.convert_to_tensor(std_y_train_n)+tf.convert_to_tensor(mean_y_train_n)))))

我会收到此错误：

Failed to convert object of type <class 'builtin_function_or_method'> to Tensor. Contents: <built-in method std of numpy.ndarray object at 0x7ff00811aee0>. Consider casting elements to a supported type.

并且如果我要转换张量值：

 def rmse_denorm(y_true,y_pred):
return backend.sqrt(backend.mean(backend.square((tf.dtypes.cast(y_pred)*std_y_train_n + mean_y_train_n) - (tf.dtypes.cast(y_true)*std_y_train_n+mean_y_train_n))))

我收到此错误：

TypeError: cast() missing 1 required positional argument: 'dtype'

我该怎么做？